Dans cette section nous allons analyser l'impacte de l'utilisation des données synthétiques sur la MIA et l'AIA.
La Section~\ref{sec:synth-uti} présente l'utilisé du modèle cible.
Ce facteur de contrôle nous permet de nous assurer que nous modèles apprennent de l'information sur la tâche principale et ne sont pas des CCA.

\subsection{Utilité}
\label{sec:synth-uti}

\begin{figure}
    \centering
    \includegraphics[width=0.45\textwidth]{synthetic/figure/result/adult/utility.pdf}
    \caption{
        Utilité du modèle cible en terme d'exactitude équilibrée sur des données non vue à l'entraînement.
        Le terme \textit{Real} signifie que le générateur est l'identité, les données synthétiques utilisé pour entraîner le modèle cible sont donc les données réelles.
        Le terme \textit{Synthetic} signifie que le générateur est un CGAN.
        Dans ce cas le modèle cible n'est pas entraîné sur des données réelles.
    }
    \label{fig:synth-utility}
\end{figure}
Utiliser les données synthétiques dégrade l'utilité du prédicteur.
Nous présentons l'exactitude équilibrée du modèle cible entraîner avec des données synthétiques et des données réelles dans la Figure~\ref{fig:synth-utility}.

Utiliser les données synthétiques dégrade significativement l'utilité du modèle cible de cinq points avec une p-valeur de l'ANOVA à $1.23\times 10^{-5}$.
Mais avec un minimum de 0,68 d'exactitude équilibré sur les données synthétiques, nous disons que le modèle cible a appris un niveau significatif d'information ce qui rend sensé l'étude de l'AIA et de la MIA.

\subsection{Attaque d'inférence d'appartenance aux données d'entraînement (MIA)}
\begin{figure}
    \centering
    \includegraphics[width=0.45\textwidth]{synthetic/figure/result/adult/mia.pdf}
    \caption{
        Succès de la MIA en terme d'exactitude équilibré évalué sur la partie \textit{Évaluation} de la base MIA.
    }
\end{figure}
Nous observons une dégradation de l'exactitude équilibré de la MIA de 30\% en moyenne.
La p-valeur de l'ANOVA à $4.54\times 10^{-12}$ indique que cette différence est significative.
L'exactitude équilibrée de la MIA passe de 0,86 à 0,55 en utilisant des données synthétiques ce qui indique que, dans ce cas, elles ont servi à protéger l'attribut sensible.
Bien entendu, ce résultat ne concerne que cette méthodologie expérimentale et ne permet pas de conclure que de manière générale les données synthétique empêche la MIA.

De plus, les 5\% d'inférence de la MIA restante peut être du à des point extrêmes qui peuvent être retrouvé par un adversaire~\cite{carlini2022membershipinferenceattacksprinciples}.

\subsection{Attaque d'inférence d'attribut}
\begin{figure}
    \centering
    \includegraphics[width=0.45\textwidth]{synthetic/figure/result/adult/aia.pdf}
    \caption{
        Exactitude équilibrée de l'AIA sur la partie \textit{Évaluation} de la base AIA.
        La base AIA utilise des points qui n'ont pas été vue à l'entraînement du générateur.
        Le modèle cible est entraîné sans utiliser l'attribut sensible.
    }
    \label{fig:synth-aia}
\end{figure}
L'utilisation des données synthétiques n'a pas d'impacte sur le succès de l'AIA.
Nous présentons à la Figure~\ref{fig:synth-aia} une comparaison des AIA entre modèle cible ayant utilisé des données synthétiques et modèle cible ayant utilise des données réelles.

Avec une p-valeur de l'ANOVA de $8.65\times 10^{-1}$ nous observons qu'il n'y à pas de différence significative entre exactitude équilibrée de l'AIA pour donnée réelles et synthétiques.
De plus l'exactitude équilibrée de l'AIA est entre 0,52 et 0,54, nous observons donc un risque mineur mais existant de fuite de l'attribut sensible.
Notre conclusion est donc que l'utilisation de données synthétiques n'est pas suffisant pour mitiger la fuite d'attribut sensible.